論文の概要: CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for
Bi-ventricular Blood Pool and Myocardium Segmentation
- arxiv url: http://arxiv.org/abs/2004.02249v1
- Date: Sun, 5 Apr 2020 16:34:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 12:36:57.279266
- Title: CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for
Bi-ventricular Blood Pool and Myocardium Segmentation
- Title（参考訳）: CondenseUNet:両室血液プールと心筋セグメンテーションのためのメモリ効率の良いコンデンス接続アーキテクチャ
- Authors: S. M. Kamrul Hasan and Cristian A. Linte
- Abstract要約: 本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the advent of Cardiac Cine Magnetic Resonance (CMR) Imaging, there has
been a paradigm shift in medical technology, thanks to its capability of
imaging different structures within the heart without ionizing radiation.
However, it is very challenging to conduct pre-operative planning of minimally
invasive cardiac procedures without accurate segmentation and identification of
the left ventricle (LV), right ventricle (RV) blood-pool, and LV-myocardium.
Manual segmentation of those structures, nevertheless, is time-consuming and
often prone to error and biased outcomes. Hence, automatic and computationally
efficient segmentation techniques are paramount. In this work, we propose a
novel memory-efficient Convolutional Neural Network (CNN) architecture as a
modification of both CondenseNet, as well as DenseNet for ventricular
blood-pool segmentation by introducing a bottleneck block and an upsampling
path. Our experiments show that the proposed architecture runs on the Automated
Cardiac Diagnosis Challenge (ACDC) dataset using half (50%) the memory
requirement of DenseNet and one-twelfth (~ 8%) of the memory requirements of
U-Net, while still maintaining excellent accuracy of cardiac segmentation. We
validated the framework on the ACDC dataset featuring one healthy and four
pathology groups whose heart images were acquired throughout the cardiac cycle
and achieved the mean dice scores of 96.78% (LV blood-pool), 93.46% (RV
blood-pool) and 90.1% (LV-Myocardium). These results are promising and promote
the proposed methods as a competitive tool for cardiac image segmentation and
clinical parameter estimation that has the potential to provide fast and
accurate results, as needed for pre-procedural planning and/or pre-operative
applications.
- Abstract（参考訳）: 心臓内磁気共鳴画像(cmr)の出現とともに、放射線を照射することなく心臓内の異なる構造をイメージングする能力により、医療技術のパラダイムが変化した。
しかし,左室 (LV) , 右室 (RV) 血液プール (RV) , 心筋 (LV-myocardium) の正確な分画, 同定を行なわずに, 術中最小侵襲心術を計画することは極めて困難である。
にもかかわらず、これらの構造のマニュアルセグメンテーションは時間がかかり、しばしばエラーやバイアスのある結果を引き起こす。
したがって、自動的かつ計算効率の良いセグメンテーション技術が最重要である。
本研究では,CondenseNetとDenseNetを併用した新しいメモリ効率の畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
実験の結果,提案アーキテクチャはDenseNetのメモリ要件の半分(50%)とU-Netのメモリ要件の1/12(〜8%)を用いて,ACDC(Automated Cardiac Diagnosis Challenge)データセット上で動作することがわかった。
心臓画像が心循環を通じて取得され,平均サイススコア96.78%(LV血液プール),93.46%(RV血液プール),90.1%(LV心筋症)が達成された1つの健康・4つの病理組織群からなるACDCデータセットの枠組みを検証した。
これらの結果は心画像分割と臨床パラメータ推定の競合ツールとして提案手法を有望かつ促進し,事前手続き計画や手術前応用に必要な迅速かつ正確な結果を提供する可能性を持っている。
関連論文リスト
- KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳（メタデータ） (2024-10-28T16:00:42Z) - ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
心筋梗塞の診断にはECG--NETが有用である。
OMIは1つ以上の冠動脈の完全閉塞を特徴とする重度の心臓発作である。
OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。
論文 参考訳（メタデータ） (2024-05-08T19:59:16Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳（メタデータ） (2023-10-24T02:37:49Z) - Digital twinning of cardiac electrophysiology models from the surface
ECG: a geodesic backpropagation approach [39.36827689390718]
逆等角問題の解法としてGeodesic-BPを提案する。
その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。
パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
論文 参考訳（メタデータ） (2023-08-16T14:57:12Z) - Bayesian Optimization of 2D Echocardiography Segmentation [2.6947715121689204]
BOを用いて、深層畳み込みニューラルネットワークモデルのアーキテクチャおよびトレーニング関連ハイパーパラメータを最適化する。
左室心内膜(LV)、左心内膜(LV)、左心房に0.95、0.96、0.93の重なりがある。
また,LV終末容積の中央値絶対誤差を小さくするなど,導出性臨床指標の大幅な改善も観察した。
論文 参考訳（メタデータ） (2022-11-17T20:52:36Z) - Multi-class probabilistic atlas-based whole heart segmentation method in
cardiac CT and MRI [4.144197343838299]
本稿では,非剛性登録に基づく確率的アトラスを用いたマルチクラス全心セグメンテーションの枠組みを提案する。
また,高い到達可能な相互情報を得るためのマルチレゾリューション戦略を利用した非剛性登録パイプラインを提案する。
提案手法は,CTスキャンにおいて平均ボリュームオーバーラップ誤差が14.5 % であることを示す。
論文 参考訳（メタデータ） (2021-02-03T01:02:09Z) - Cascaded Convolutional Neural Network for Automatic Myocardial
Infarction Segmentation from Delayed-Enhancement Cardiac MRI [12.940103904327655]
心臓MRIによる自動心筋梗塞セグメンテーションのためのカスケード畳み込みニューラルネットワークを提案する。
本手法はmiccai 2020 emidec challengeデータセットで評価し, 心筋, 梗塞, 還流のない平均diceスコア 0.8786, 0.7124, 0.7851 をそれぞれ達成した。
論文 参考訳（メタデータ） (2020-12-28T07:41:10Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - L-CO-Net: Learned Condensation-Optimization Network for Clinical
Parameter Estimation from Cardiac Cine MRI [0.0]
学習グループ構造と正規化ウェイトプルーナーを兼ね備えた完全畳み込みセグメンタを実装した。
心循環を通じて健常な1群と4群の病理組織を特徴とするACDCデータセットの枠組みを検証した。
論文 参考訳（メタデータ） (2020-04-21T23:59:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。